AI“预测”外科手术步骤？准确率可达68.3%！研究团队在大脑中动脉瘤夹闭术中进行验证

　　近几个月，AI在神经外科的进展相当亮眼，不少医生和研究者已经开始尝试用AI去读懂手术视频、辅助实际操刀。今年5月，英国外科团队完成了全球首例由AI实时辅助的脑部手术——系统术中实时分析内镜画面、锁定隐藏的血管和神经，帮一名垂体瘤患者把肿瘤切得很干净，患者如今完全康复，视力也明显好转。到了今年6月，《手术前沿》刊出一篇论文，专门在大脑中动脉瘤夹闭术上检验了AI"预判下一步操作"的本领，INC罗顿教授（Michael T. Lawton）也参与了这项研究。

三种模型同台比拼

　　大脑中动脉分叉处动脉瘤的夹闭，本就是极考验功力的神经外科手术。它没有一成不变的流程——每个患者的血管走形都不一样，台上情况随时可能变，步骤先后也得跟着调整。能不能提前判断"下一步该做什么"，直接牵动手术的效率和安全，也关系到年轻医生的带教。

　　研究团队找来同一位术者做的25例没出并发症的大脑中动脉分叉动脉瘤夹闭手术，18例拿来训练，7例留作独立测试。他们用Transformer模型，喂入此前60秒的显微手术视频加上人工标好的步骤，去猜随后60秒里可能出现的夹闭步骤。所有病例都被标成12个标准动作，比如外侧裂分离、M4到M2分支解剖、M1段准备、动脉瘤颈分离、动脉瘤游离、近端控制、夹闭、闭塞确认等。

　　三种配置被拿来对比：CNN-LSTM负责从视频里提取视觉特征，Transformer再把这些特征和流程上下文合在一起，推测后续步骤。只看视频的模型，先用预训练CNN-LSTM抠出每帧画面特征，再送进Transformer猜步骤；只看步骤标签的模型，不碰视频，直接把人工标好的真实步骤喂给Transformer，靠已有流程和上下文往后推；多模态模型则把视频特征和人工步骤标签拼到一起再进Transformer。

　　在7例独立测试里，多模态模型整体最出色。

　　准确率看的是预测对的比例，召回率看的是真实情况被抓住的比例，F1则是两者调和平均。比起单用视频或单用既往步骤，多模态同时吃进两类信息，既抓得住整体进程，也留得住局部画面线索，所以流程预测更准，时间对得最齐，整体步骤顺序也保得最好。仅视频模型往往精确率高、召回率低——说明它猜的多数没错，却漏掉不少真实动作；仅标签模型在长而结构复杂的步骤上表现好，碰到短步骤就力不从心。

不同测试案例中预测手术步骤序列与真实序列的时间对齐情况。颜色表示不同的手术步骤，便于比较不同模型配置下的预测步骤时间、过渡方式及整体序列一致性。

步骤换来换去，预测就变难

　　当AI去猜"下一分钟"时，任务并不总一样：有时该接着做当前步骤，有时要切到别的步骤，有时一分钟里甚至要预判好几个步骤。难度也分高低——判断"继续当前步骤"多半靠识别流程稳不稳，判断"步骤要变"则得捕捉正在起变化的苗头。研究者把每个60秒预测窗是否落在同一步骤内做了量化。

　　结果，接近一半的预测窗口至少跨过1道步骤分界，多模态的帧级准确率做到68.3%；当窗口恰好跨过2道分界，准确率掉到50.9%；一旦跨过3道或更多步骤，准确率只剩42.0%。也就是说，预测窗口内步骤切换越频繁，猜准就越难。

难点与挑战

　　这项研究初步证明了AI预判手术步骤可行，但离真正上临床还缺一套完整的自动化链路。它用的是人工标好的真实步骤标签，可真实系统里，如果前端对当前步骤认错了，误差会一路传到后面，拉低整体表现。

　　另外，AI在神外落地还要过数据这一关：患者肯不肯让录手术视频？手术显微镜配不配得上高清摄像？视频质量能不能核验？生成的数据安不安全、脱没脱敏？存储设备扛不扛得住海量影像？每一例都得有神经外科专业背景的人审和标，这让数据集建设又慢又难摊大。放到脑血管手术上，这些坎更明显——这类手术标准化程度本来就低，复杂动脉瘤和不同血管区域还会带来更多差异。

结语

　　这项研究说明，在受控条件下，AI确实能预判大脑中动脉瘤夹闭术接下来一分钟的步骤，而把视觉信息和既往步骤揉在一起的多模态模型最拔尖。作者也坦承，既往步骤目前还得靠人手标注，所以从自动识别到自动预测的全链路还没打通。往后AI要真正进手术室，还得在更大量、更多样的病例上再验证。

参考文献：On, T. J., Lawton, M. T., et al. (2026). Predicting future surgical steps during MCA aneurysm clipping using a multimodal transformer. Frontiers in Surgery, 13, Article 18277

常见问题

问：AI现在能替医生做手术吗？

答：还不行。这项研究只让AI"预判下一步"，不是动手操作，而且目前步骤标签还得人工标。真正上临床前，自动化链路和更大样本验证都还没完成。

问：为什么多模态模型最准？

答：它同时吃了视频画面特征和人工步骤标签两类信息，既看得到整体进程，也抓得住局部细节，时间对得最齐，所以平均准确率68.3%、加权F1值67.3%，都高过单看视频或单看标签的模型。

问：预测准确率68.3%算高吗？

答：在"猜下一分钟步骤"这个任务上算不错，但仍有约三成猜错。而且步骤切换越频繁越难——跨3道以上分界时准确率掉到42.0%，说明还远没到可靠替代人的程度。

问：这项研究跟Lawton教授什么关系？

答：Lawton教授（Michael T. Lawton）是这项多模态Transformer研究的参与者之一，论文也列了他的名。他是INC旗下脑血管领域的专家。

问：普通人能从这篇得到什么提醒？

答：AI辅助外科是真实在走的方向，但当前仍处研究阶段、离普及很远。真要手术，决策还是得靠主刀医生和正规医院的评估，别被"AI"二字带偏。